BAB IV HASIL PENELITIAN DAN PEMBAHASAN

Transkripsi

1 BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Prinsip Kerja Sistem Prinsip kerja sistem yaitu dengan melakukan pengambilan data berupa foto fisik dari permukaan buah manggis kemudian melakukan sampling data foto menjadi citra. Kumpulan citra tersebut kemudian diproses dengan melakukan tahap pengolahan citra dan ekstraksi ciri yang sedemikian rupa sehingga akan menghasilkan nilai tertentu. Kumpulan citra tersebut dibagi menjadi citra latih dan citra uji dengan data set yang ditentukan berdasarkan 4-fold Cross Validation, metode Support Vector Machine digunakan untuk melakukan proses latih sehingga hyperplane membentuk area klasifikasi. Pada tahap uji, data yang baru akan dipetakan pada model area latih dan hasilnya bergantung pada data tersebut akan terletak pada area tertentu sehingga terklasifikasi. 4.2 Hasil Pengambilan Data Pengambilan data dilakukan menggunakan kamera digital merk Sony tipe model Nex-7 dengan pengaturan resolusi kamera yang sama. Pengambilan data ini dilakukan di Laboraturium Pasca Panen, Fakultas Pertanian, Universitas Muhammadiyah Yogyakarta yang selanjutnya diserahkan pada Fakultas Teknik untuk dilakukan penelitian. Data yang telah diperoleh lalu di klasifikasi kualitas permukaannya. Untuk memilih sampel data citra yang cacat maupun citra tidak cacat ini didasarkan pada pengamatan secara langsung atau secara visual yang nantinya akan dijadikan - 49

2 50 pembanding dengan hasil klasifikasi program. Dari klasifikasi kualitas yang telah dilakukan menghasilkan citra sebanyak 120 citra. Dari data total 120 citra tersebut merupakan gabungan dari cira latih dan citra uji, dimana ke-120 citra yang dihasilkan tersebut terdiri setengah citra cacat dan setengah lainnya citra tidak cacat dari citra permukaan buah manggis. 4.3 Hasil Perancangan Program Akuisisi Data Data diambil menggunakan kamera digital dengan jarak yang sama dan resolusi gambar yang sama sebesar 6000 x 4000 piksel. Pada pengambilan data, dalam satu foto berisi dua buah manggis ditunjukan pada Gambar 4.1. Hal ini dilakukan untuk mempersingkat waktu pengambilan data. Gambar 4.1 Sampel awal pengambilan data citra

3 Penamaan Citra Penentuan penamaan atau label dilakukan setelah proses akuisisi data. Format penamaan citra ini berdasarkan kondisi dari citra tersebut kemudian diikuti urutan citra, nama citra dirubah berdasarkan kondisinya, citra cacat diberi nama def dan dilanjutkan dengan nomor urutan gambar sesuai dengan yang ada didalam folder, contoh penamaan citra cacat adalah def1.jpg. Sedangkan citra tidak cacat diberi nama fin dan dilanjutkan dengan nomor urutan gambar sesuai dengan yang ada didalam folder hingga sejumlah citra yang terakhir, contoh penamaan untuk citra tidak cacat adalah fin1.jpg. Setelah penamaan/labelling pada citra diperoleh data berupa kumpulan citra dengan total 120 citra yang terdiri dari 60 citra cacat dan 60 citra tidak cacat yang akan digunakan sebagai data latih maupun data uji Pemotongan Citra (Cropping) Citra hasil pengambilan data memiliki resolusi yang sama yaitu 6000 x 4000 piksel, akan tetapi pada penelitian ini, data citra yang akan digunakan adalah bagian permukaan yang terlihat jelas pada foto dari citra permukaan buah manggis, maka dilakukan cropping menggunakan aplikasi adobe photoshop CC 2015, setelah dilakukan proses cropping selanjutnya akan disamakan ukuran sebesar 512 x 512 piksel. Hal ini dilakukan untuk mempermudah pengambilan data citra agar lebih akurat. Proses ini sangat berpengaruh selain untuk mereduksi waktu komputasi juga menjadikan ukuran citra seragam. Adapun proses cropping citra ditunjukan pada Gambar 4.2.

4 52 (a) Citra manggis utuh (b) Citra manggis setelah proses cropping Gambar 4.2 Proses Cropping citra Bebarapa sampel hasil cropping dari citra cacat dan citra tidak cacat yang akan menjadi bahan penelitian dan pengklasifikasian ditunjukan pada Gambar 4.3 dan Gambar 4.4 (a) (b) (c) (d) (e) Gambar 4.3 Hasil croping citra tidak cacat (a) (b) (c) (d) (e) Gambar 4.4 Hasil croping citra cacat

5 Konversi citra Grayscale Setelah citra melewati proses pemotongan citra, proses selanjutnya yang dilakukan adalah pengubahan citra RGB menjadi citra grayscale, dimana citra grayscale hanya memiliki warna dari hitam, keabuan dan putih. Warna hitam pada citra grayscale bernilai 0 dan semakin cerah warna akan semakin tinggi dan warna putih bernilai 256. Perubahan jenis gambar ke grayscale juga bertujuan untuk mempermudah dan mempercepat proses komputasi. Gambar citra grayscale dari permukaan buah manggis ditampilkan pada Gambar 4.5. Gambar 4.5 (a) citra tidak cacat dan (b) citra cacat merupakan hasil konversi grayscale dari gambar 4.3 (a) tidak cacat dan gambar 4.4 (a) cacat. (a) citra tidak cacat (b) citra cacat Gambar 4.5 Hasil konversi citra grayscale Proses konversi citra ke mode grayscale merupakan proses perancangan program dimana data citra pada tahap sebelumnya telah melalui proses resize menjadi resolusi 512x512. Pada tahap selanjutnya akan dilakukan dekomposisi citra dengan menggunakan metode transformasi curvelet untuk menghasilkan nilai nilai yang tertentu yang dibutuhkan pada tahap berikutnya.

6 Transformasi curvelet Setelah melewati tahap konversi grayscale, citra dalam format grayscale kemudian diproses menggunakan fungsi curvelet transform. Citra yang akan di transformasikan adalah citra grayscale permukaan buah manggis yang terdiri dari citra cacat dan citra tidak cacat yang akan menjadi bahan latih/training maupun bahan uji/testing. Dari masing-masing citra, akan dilakukan proses curvelet yang nantinya citra di proses dengan cara menguraikan citra grayscale menjadi kurva kurva dalam bentuk skala yang tersusun atas irisan irisan kurva. Dari transformasi curvelet yang telah dilakukan akan didapatkan nilai nilai hasil transformasi curvelet. Nilai nilai dari transformasi curvelet berisi informasi tentang dekomposisi dari citra hasil transformasi yang telah terkompresi. Dari transformasi curvelet menghasilkan beberapa buah koefisien yaitu: coefficient curvelet dan curva dari coefficient curvelet. (a) Citra grayscale cacat (b) Hasil transformasi curvelet Gambar 4.6 Proses transormasi curvelet pada citra cacat Gambar 4.6 (b) menunjukan citra hasil transformasi curvelet diskrit pada citra cacat, citra tersebut telah di dekomposisi menggunakan transformasi curvelet dan menghasilkan koefisien curvelet. Koefisien curvelet tersusun atas kurva kurva yang membentuk manjadi satu. Dari sekumpulan kurva tersebut akan menghasilkan

7 55 nilai nilai yang akan digunakan untuk membentuk nilai ekstraksi ciri dari citra cacat. (a) Citra grayscale tidak cacat (b) Hasil transformasi curvelet Gambar 4.7 Proses transormasi curvelet pada citra tidak cacat Gambar 4.7 (b) menunjukan citra hasil transformasi curvelet diskrit pada citra tidak cacat, citra yang telah di dekomposisi menggunakan transformasi curvelet dan menghasilkan koefisien curvelet. Pada Gambar 4.6 (b) dan Gambar 4.7 (b) secara fisik koefisien curvelet yang dihasilkan dari citra cacat maupun tidak cacat akan terlihat sama dan sulit dibedakan apakah citra tersebut adalah hasil dari citra cacat atau citra tidak cacat karena telah berbentuk irisan kurva-kurva yang secara kasat mata berbentuk sama. Dari sekumpulan kurva yang membentuk koefisien curvelet tersebut akan dihitung sedemikian rupa sehingga menghasilkan nilai nilai yang akan digunakan untuk membentuk nilai ekstraksi ciri dari masing masing citra. Ekstraksi ciri adalah menampilkan ciri yang membedakan citra satu dengan yang lainnya. Ekstraksi ciri curvelet yang digunakan pada penelitian ini dilakukan dengan cara menghitung suatu nilai pembeda antara citra cacat dan tidak cacat. Metode ekstraksi

8 56 ciri yang digunakan yaitu menghitung nilai rata-rata (mean), standar deviasi, entropy dan energy Ekstraksi Ciri Ekstraksi ciri merupakan pengambilan ciri dari suatu bentuk yang nantinya digunakan pada tahap selanjutnya, dimana nilai yang didapat dari ekstraksi ciri akan dianalisis untuk dimasukan pada tahap selanjutnya yaitu sebagai input untuk proses pengklasifikasian menggunakan metode SVM. Ciri tersebut merupakan pembeda dari suatu objek dengan objek lainnya. Pada penelitian ini ekstraksi ciri dilakukan untuk mendapatkan suatu nilai pembeda yang didapat dari proses sebelumnya yaitu proses transformasi curvelet untuk data citra permukaan buah manggis yang cacat dan yang tidak cacat. a. Mean Salah satu nilai input untuk proses klasifikasi adalah nilai mean, ekstraksi ciri mean merupakan langkah awal untuk mencari nilai rata - rata pada setiap nilai komponen kurva dari koefisien curvelet pada citra. Gambar 4.8 Scatter plot citra Ekstraksi Ciri Mean

9 57 Pada ekstraksi ciri Mean yang terlihat pada Gambar 4.8 menunjukkan grafik scatter dari nilai rata rata (mean) kurva dari koefisien hasil transformasi curvelet diskrit pada ke-120 citra dengan 60 citra cacat dan 60 citra tidak cacat. Sumbu X menunjukkan banyaknya gambar dari citra tidak cacat dan cacat secara berturutturut, sedangkan nilai Y menunjukkan nilai rata rata. Simbol x biru mempresentasikan hasil nilai rata rata dari citra tidak cacat, sedangkan simbol o merah merupakan hasil nilai rata rata dari citra cacat. Hasil dari ekstraksi ciri rata-rata (Mean) terlihat pada Gambar 4.8 bahwa data ekstraksi ciri memiliki sebaran data pola yang masih berhimpitan antara citra cacat dan citra tidak cacat berdasarkan grafik scatter, sebaran pola citra tidak cacat cenderung memiliki nilai yang lebih tinggi dibandingkan dengan pola citra cacat. b. Standar Deviasi Standar deviasi adalah salah satu ekstraksi ciri berikutnya yang mempresentasikan citra berdasarkan sebaran data dalam sebuah citra yakni besar perbedaan dari nilai data citra terhadap nilai rata-rata. Nilai standar deviasi dihasilkan dari setiap nilai komponen kurva dari koefisien curvelet pada citra.

10 58 Gambar 4.9 Scatter plot citra Ekstraksi Ciri Standar Deviasi Pada ekstraksi ciri Standar Deviasi yang dilihat pada Gambar 4.9 menunjukkan grafik scatter dari nilai standar deviasi kurva dari koefisien hasil transformasi curvelet diskrit pada ke-120 citra dengan 60 citra cacat dan 60 citra tidak cacat. Sumbu X menunjukkan banyaknya gambar dari citra tidak cacat dan cacat secara berturut-turut, sedangkan nilai Y menunjukkan nilai standar deviasi. Simbol x biru mempresentasikan hasil nilai standar deviasi dari citra tidak cacat, sedangkan simbol o merah merupakan hasil nilai standar deviasi dari citra cacat. Hasil dari ekstraksi ciri standar deviasi terlihat jelas pada Gambar 4.9 bahwa data ekstraksi ciri memiliki sebaran data pola yang sudah terpisah dengan baik antara citra cacat dan citra tidak cacat berdasarkan grafik scatter, sebaran pola citra tidak cacat cenderung memiliki nilai yang lebih rendah dibandingkan dengan pola citra cacat yang memiliki nilai yang lebih tinggi. c. Entropy Ekstraksi ciri entropy adalah ekstraksi ciri yang berfungsi dalam menunjukkan ukuran ketidakteraturan dari sebuah bentuk data pada citra. Nilai entropy menunjukkan keteracakan distribusi dari suatu citra. Nilai entropy dihasilkan dari setiap nilai komponen kurva dari koefisien curvelet pada citra.

11 59 Gambar 4.10 Scatter plot citra Ekstraksi Ciri Entropy Pada ekstraksi ciri entropy yang terlihat pada Gambar 4.10 menunjukkan grafik scatter dari nilai entropy dari hasil transformasi curvelet diskrit pada ke-120 citra dengan 60 citra cacat dan 60 citra tidak cacat. Sumbu X menunjukkan banyaknya gambar dari citra tidak cacat dan cacat secara berturut-turut, sedangkan nilai Y menunjukkan nilai rata rata. Simbol x biru mempresentasikan hasil nilai rata rata dari citra tidak cacat, sedangkan simbol o merah merupakan hasil nilai rata rata dari citra cacat. Hasil dari ekstraksi ciri entropy terlihat pada Gambar 4.10 bahwa data ekstraksi ciri memiliki sebaran data pola yang masih berhimpitan antara citra cacat dan citra tidak cacat berdasarkan grafik scatter, sebaran pola citra tidak cacat cenderung memiliki nilai yang lebih rendah dibandingkan dengan pola citra cacat yang memiliki nilai pola yang lebih tinggi.

12 60 d. Energy Ekstraksi ciri berikutnya adalah mencari nilai energy yang dihasilkan dari setiap nilai komponen kurva dari koefisien curvelet pada citra. Gambar 4.11 Scatter plot citra Ekstraksi Ciri Energy Pada ekstraksi ciri entropy yang terlihat pada Gambar 4.11 menunjukkan grafik scatter dari nilai entropy dari hasil transformasi curvelet diskrit pada ke-120 citra dengan 60 citra cacat dan 60 citra tidak cacat. Sumbu X menunjukkan banyaknya gambar dari citra tidak cacat dan cacat secara berturut-turut, sedangkan nilai Y menunjukkan nilai rata rata. Simbol x biru mempresentasikan hasil nilai rata rata dari citra tidak cacat, sedangkan simbol o merah merupakan hasil nilai rata rata dari citra cacat. Hasil dari ekstraksi ciri energy terlihat pada Gambar 4.11 bahwa data ekstraksi ciri memiliki sebaran data pola yang masih berhimpitan antara citra cacat dan citra tidak cacat berdasarkan grafik scatter, sebaran pola citra tidak cacat cenderung memiliki nilai yang lebih tinngi dibandingkan dengan pola citra cacat yang memiliki nilai pola yang lebih rendah.

13 Klasifikasi dan Validasi Dalam penelitian ini klasifikasi dan validasi dilakukan secara bersamaan, Klasifikasi menggunakan Support Vector Machine (SVM) dan validasi menggunakan 4-Fold Cross Validation. Secara umum terdapat dua tahapan dalam melakukan klasifikasi yaitu tahap latih/training dan uji/testing, pada penelitian ini data yang digunakan sejumlah 120 citra yang terdiri dari 60 citra cacat dan 60 lainnya citra tidak cacat. Dari ke-120 citra kemudian dibagi menjadi 4 variasi fold dengan masing-masing fold berisi sebanyak 30 citra, dengan kombinasi 15 citra cacat dan 15 citra tidak cacat. Pembagian kelas pada citra bertujuan untuk mempermudah proses validasi pada proses klasifikasi data sehingga menghasilkan akurasi yang maksimal, adapun pembagian kelas disajikan dalam tabel berikut: Tabel 4.1 Data citra buah manggis Kelas Jumlah Citra fold-1 30 fold-2 30 fold-3 30 fold-4 30 Keterangan 15 cacat 15 tidak cacat 15 cacat 15 tidak cacat 15 cacat 15 tidak cacat 15 cacat 15 tidak cacat Pembagian citra berdasarkan nama urutan dari citra cacat dan citra tidak cacat yang telah diurutkan sebelumnya, pada fold-1 urutan citra cacat adalah citra dengan nama def1.jpg sampai dengan def15.jpg, sedangkan urutan untuk citra tidak cacat adalah citra dengan nama fin1.jpg sampai dengan fin15.jpg dan seterusnya pada fold-2, fold-3 dan fold-4, sehingga ke-60 citra cacat dan ke-60 citra tidak cacat

14 62 terbagi rata pada ke-4 fold yang ada. Pembagian citra dapat dilihat dalam tabel berikut: Kelas Tabel 4.2 Detail pembagian citra Pembagian Citra Cacat Pembagian Citra Tidak Cacat Total citra fold-1 def1.jpg s/d def15.jpg fin1.jpg s/d fin15.jpg 30 fold-2 def16.jpg s/d def30.jpg fin16.jpg s/d fin30.jpg 30 fold-3 def31.jpg s/d def45.jpg fin31.jpg s/d fin45.jpg 30 fold-4 def46.jpg s/d def60.jpg fin46.jpg s/d fin60.jpg 30 Pada proses klasifikasi dengan validasi ini, setiap ekstraksi ciri mempunyai properti masing-masing terhadap citra cacat dan citra tidak cacat, Mean menjelaskan nilai rata-rata dari pada setiap komponen citra, Standar Deviasi menjelaskan berdasarkan sebaran data dalam sebuah citra, Energy menjelaskan konsentrasi pasangan intensitas pada sebuah matrik pada citra dan Entropy menjelaskan ukuran ketidakteraturan dari sebuah bentuk data pada citra Setelah mendapatkan data-data dari ekstraksi ciri yang berupa nilai mean, standar deviasi, energy dan entropy dari citra yang digunakan, kemudian data-data ekstraksi ciri tersebut disimpan dalam file databases dengan ekstansi file.mat(dot mat). Selanjutnya setelah dilakukan penyimpanan, data ekstraksi ciri akan panggil dan dilatih menggunakan fungsi SVMTrain dan algoritma tertentu untuk menghasilkan data latih, yang selanjutnya data latih akan digunakan untuk menguji citra uji pada tahap berikutnya.

15 63 a. Hasil Klasifikasi dan Validasi Fold-1 Pada fold ke-1 data latih berjumlah 120 citra (60 cacat dan 60 tidak cacat), data latih yang digunakan adalah citra ke-16 sampai citra ke-60 pada citra cacat dan citra ke-16 sampai citra ke-60 pada citra tidak cacat, sedangkan data uji berjumlah 30 citra, yaitu citra ke-1 sampai citra ke-15 dimasing-masing sampel, baik citra cacat maupun tidak cacat. Tahap klasifikasi pada fold-1 menggunakan satu model SVM yaitu gabungan dari ke-4 ekstraksi ciri Mean, Standar Deviasi, Energy dan Entropy untuk menghasilkan data latih. Adapun scatter plot hasil dari ke-4 ekstraksi ciri dari fold-1 sebagai berikut : (a) Scatter plot Mean fold-1 (b) Scatter plot STD fold-1 (c) Scatter plot Energy fold-1 d) Scatter plot Entropy fold-1 Gambar 4.12 Scatter plot Ekstraksi Ciri Fold-1

16 64 Hasil dari ekstraksi ciri fold-1 terlihat pada Gambar 4.12 (b) bahwa data ekstraksi ciri standar deviasi memiliki sebaran data pola yang sudah terpisah berdasarkan klasifikasi citra cacat dan tidak cacat sehingga pola tidak saling berhimpitan pada grafik scatter, sedangkan Gambar 4.12 (a), (c) dan (d) yaitu data ekstraksi ciri mean, energy dan entropy memiliki sebaran data pola yang belum terpisah sempurna berdasarkan klasifikasi citra cacat dan tidak cacat sehingga antara citra cacat dan tidak cacat memiliki data yang berhimpitan pada scatter plot nya. Scatter Plot yang dihasilkan ekstraksi ciri rata-rata (mean) dan energy dari citra tidak cacat cenderung memiliki nilai yang lebih tinggi dibandingkan citra cacat, sedangkan Scatter Plot yang dihasilkan ekstraksi ciri standar deviasi dan entropy dari citra tidak cacat cenderung memiliki nilai yang lebih rendah dibandingkan citra cacat. Dari data latih/training fold ke-1 selanjutnya akan digunakan menjadi data uji untuk mengklasifikasikan suatu citra. Hasil akhir dari tahap ini adalah program menghasilkan keputusan apakah citra termasuk kelas cacat atau tidak cacat. Berikut merupakan hasil dari proses klasifikasi data uji fold-1 pada program yang telah dibuat yang ditunjukan gambar 4.13

17 65 Gambar 4.13 Tampilan command window proses klasifikasi fold-1 Berikut merupakan hasil akurasi dari proses pengujian terhadap citra uji yang ditunjukan pada tabel 4.3 Tabel 4.3 Hasil akurasi fold ke-1 Hasil Pengujian Klasifikasi SVM Cacat Citra Tidak Cacat Total Jumlah Error % Akurasi Pengujian Fold % Dari data Tabel 4.3 diperolah akurasi pengujian dari citra uji pada fold-1. Error yang terjadi pada saat pengujian pada citra adalah ada satu citra yang secara visual diklasifikasikan sebagai citra cacat (defect), sedangkan hasil pengujian menggunakan program diklasifikasikan sebagai citra tidak cacat (non-defect).

18 66 b. Hasil Klasifikasi dan Validasi Fold-2 Pada fold ke-2 data latih berjumlah 120 citra (60 cacat dan 60 tidak cacat), data latih yang digunakan adalah citra ke-1 sampai citra ke-15 dan citra ke-31 sampai citra ke-60 pada masing-masing citra cacat maupun citra tidak cacat, sedangkan data uji berjumlah 30 citra, yaitu citra ke-16 sampai citra ke-30 dimasing-masing sampel, baik citra cacat maupun tidak cacat. Tahap klasifikasi pada fold-2 ini menggunakan satu model SVM yaitu gabungan dari ke-4 ekstraksi ciri Mean, Standar Deviasi, Energy dan Entropy untuk menghasilkan data latih. Adapun scatter plot hasil dari ke-4 ekstraksi ciri dari fold-2 sebagai berikut : (a) Scatter plot Mean fold-2 (b) Scatter plot STD fold-2 (c) Scatter plot Energy fold-2 d) Scatter plot Entropy fold-2 Gambar 4.14 Scatter plot Ekstraksi Ciri Fold-2

19 67 Hasil dari ekstraksi ciri fold-2 terlihat pada Gambar 4.14 (a), (b) dan (d) bahwa data ekstraksi ciri mean, standar deviasi dan entropy memiliki sebaran data pola yang sudah terpisah berdasarkan klasifikasi citra cacat dan tidak cacat sehingga pola tidak saling berhimpitan pada grafik scatter, namum pada pola mean dan entropy masih ada beberapa pola yang masih berhimpitan, sedangkan Gambar 4.14 (c) yaitu data ekstraksi ciri energy memiliki sebaran data pola yang belum terpisah sempurna berdasarkan klasifikasi citra cacat dan tidak cacat sehingga antara citra cacat dan tidak cacat memiliki data yang berhimpitan pada scatter plot nya. Scatter Plot yang dihasilkan ekstraksi ciri rata-rata (mean) dan energy dari citra tidak cacat cenderung memiliki nilai yang lebih tinggi dibandingkan citra cacat, sedangkan Scatter Plot yang dihasilkan ekstraksi ciri standar deviasi dan entropy dari citra tidak cacat cenderung memiliki nilai yang lebih rendah dibandingkan citra cacat. Dari data latih/training fold ke-2 selanjutnya akan digunakan menjadi data uji untuk mengklasifikasikan suatu citra. Hasil akhir dari tahap ini adalah program menghasilkan keputusan apakah citra termasuk kelas cacat atau tidak cacat. Berikut merupakan hasil dari proses klasifikasi data uji fold-1 pada program yang telah dibuat yang ditunjukan gambar 4.15

20 68 Gambar 4.15 Tampilan command window proses klasifikasi fold-2 Berikut merupakan hasil akurasi dari proses pengujian terhadap citra uji yang ditunjukan pada tabel 4.4 Tabel 4.4 Hasil Akurasi fold ke-2 Hasil Pengujian Klasifikasi SVM Cacat Citra Tidak Cacat Total Jumlah Error % Akurasi Pengujian Fold % Dari data Tabel 4.4 diperolah akurasi pengujian dari citra uji pada fold-2. Tidak ada Error yang terjadi pada saat pengujian pada citra sehingga menghasilkan akurasi yang sangat baik mencapai 100% pada fold-2.

21 69 c. Hasil Klasifikasi dan Validasi Fold-3 Pada fold ke-3 data latih berjumlah 120 citra (60 cacat dan 60 tidak cacat), data latih yang digunakan adalah citra ke-1 sampai citra ke-30 dan citra ke-46 sampai citra ke-60 pada masing-masing citra cacat maupun citra tidak cacat, sedangkan data uji berjumlah 30 citra, yaitu citra ke-31 sampai citra ke-45 dimasing-masing sampel, baik citra cacat maupun tidak cacat. Tahap klasifikasi pada fold-3 ini menggunakan satu model SVM yaitu gabungan dari ke-4 ekstraksi ciri Mean, Standar Deviasi, Energy dan Entropy untuk menghasilkan data latih. Adapun scatter plot hasil dari ke-4 ekstraksi ciri dari fold-3 sebagai berikut : (a) Scatter plot Mean fold-3 (b) Scatter plot STD fold-3 (c) Scatter plot Energy fold-3 d) Scatter plot Entropy fold-3 Gambar 4.16 Scatter plot Ekstraksi Ciri Fold-3

22 70 Hasil dari ekstraksi ciri fold-3 terlihat pada Gambar 4.16 (b) dan (d) bahwa data ekstraksi ciri standar deviasi dan entropy memiliki sebaran data pola yang sudah terpisah berdasarkan klasifikasi citra cacat dan tidak cacat sehingga pola tidak saling berhimpitan pada grafik scatter, namum pada pola entropy masih ada beberapa pola yang masih berhimpitan, sedangkan Gambar 4.16 (a) dan (c) yaitu data ekstraksi ciri mean dan energy memiliki sebaran data pola yang belum terpisah sempurna berdasarkan klasifikasi citra cacat dan tidak cacat sehingga antara citra cacat dan tidak cacat memiliki data yang berhimpitan pada scatter plot nya. Scatter Plot yang dihasilkan ekstraksi ciri rata-rata (mean) dan energy dari citra tidak cacat cenderung memiliki nilai yang lebih tinggi dibandingkan citra cacat, sedangkan Scatter Plot yang dihasilkan ekstraksi ciri standar deviasi dan entropy dari citra tidak cacat cenderung memiliki nilai yang lebih rendah dibandingkan citra cacat. Dari data latih/training fold ke-3 selanjutnya akan digunakan menjadi data uji untuk mengklasifikasikan suatu citra. Hasil akhir dari tahap ini adalah program menghasilkan keputusan apakah citra termasuk kelas cacat atau tidak cacat. Berikut merupakan hasil dari proses klasifikasi data uji fold-3 pada program yang telah dibuat yang ditunjukan gambar 4.17

23 71 Gambar 4.17 Tampilan command window proses klasifikasi fold-3 Berikut merupakan hasil akurasi dari proses pengujian terhadap citra uji yang ditunjukan pada tabel 4.5 Tabel 4.5 Hasil Akurasi fold ke-3 Hasil Pengujian Klasifikasi SVM Cacat Citra Tidak Cacat Total Jumlah Error % Akurasi Pengujian Fold % Dari data Tabel 4.5 diperolah akurasi pengujian dari citra uji pada fold-3. Error yang terjadi pada saat pengujian pada citra adalah dua citra yang secara visual diklasifikasikan sebagai citra tidak cacat (non-defect), sedangkan hasil pengujian menggunakan program diklasifikasikan sebagai citra cacat (defect).

24 72 d. Hasil Klasifikasi dan Validasi Fold-4 Pada fold ke-4 data latih berjumlah 120 citra (60 cacat dan 60 tidak cacat), data latih yang digunakan adalah citra ke-1 sampai citra ke-45 pada citra cacat dan citra ke-1 sampai citra ke-45 pada citra tidak cacat, sedangkan data uji berjumlah 30 citra, yaitu citra ke-46 sampai citra ke-60 dimasing-masing sampel, baik citra cacat maupun tidak cacat. Tahap klasifikasi pada fold-4 ini menggunakan satu model SVM yaitu gabungan dari ke-4 ekstraksi ciri Mean, Standar Deviasi, Energy dan Entropy untuk menghasilkan data latih. Adapun scatter plot hasil dari ke-4 ekstraksi ciri dari fold-4 sebagai berikut : (a) Scatter plot Mean fold-4 (b) Scatter plot STD fold-4 (c) Scatter plot Energy fold-4 d) Scatter plot Entropy fold-4 Gambar 4.18 Scatter plot Ekstraksi Ciri Fold-4

25 73 Hasil dari ekstraksi ciri fold-4 terlihat pada Gambar 4.18 (b) bahwa data ekstraksi ciri standar deviasi memiliki sebaran data pola yang sudah terpisah berdasarkan klasifikasi citra cacat dan tidak cacat sehingga pola tidak saling berhimpitan pada grafik scatter, sedangkan Gambar 4.18 (a), (c) dan (d) yaitu data ekstraksi ciri mean, energy dan entropy memiliki sebaran data pola yang belum terpisah sempurna berdasarkan klasifikasi citra cacat dan tidak cacat sehingga antara citra cacat dan tidak cacat memiliki data yang berhimpitan pada scatter plot nya. Scatter Plot yang dihasilkan ekstraksi ciri rata-rata (mean) dan energy dari citra tidak cacat cenderung memiliki nilai yang lebih tinggi dibandingkan citra cacat, sedangkan Scatter Plot yang dihasilkan ekstraksi ciri standar deviasi dan entropy dari citra tidak cacat cenderung memiliki nilai yang lebih rendah dibandingkan citra cacat. Dari data latih fold ke-4 selanjutnya akan digunakan untuk mengklasifikasikan data uji. Hasil akhir dari tahap ini adalah program menghasilkan keputusan apakah citra termasuk kelas cacat atau tidak cacat. Berikut merupakan hasil dari proses klasifikasi data uji fold-4 pada program yang telah dibuat yang ditunjukan gambar 4.19

26 74 Gambar 4.19 Tampilan command window proses klasifikasi fold-4 Berikut merupakan hasil akurasi dari proses pengujian terhadap citra uji yang ditunjukan pada tabel 4.6 Tabel 4.6 Hasil Akurasi fold ke-4 Hasil Pengujian Klasifikasi SVM Cacat Citra Tidak Cacat Total Jumlah Error % Akurasi Pengujian Fold % Dari data Tabel 4.6 diperolah akurasi pengujian dari citra uji pada fold-4. Error yang terjadi pada saat pengujian pada citra adalah ada satu citra yang secara visual diklasifikasikan sebagai citra cacat (defect), sedangkan hasil pengujian menggunakan program diklasifikasikan sebagai citra tidak cacat (non-defect).

27 Hasil Pengujian Hasil Pengujian yang dilakukan pada 120 citra uji (60 citra cacat dan 60 citra tidak cacat) yang terbagi atas 4-fold terhadap empat ekstraksi ciri mean, standar deviasi, energy dan entropy menggunakan klasifikasi SVM dan validasi 4- Fold Cross Validation sebagai pengklasifikasi citra. Masing-masing fold diuji menggunakan program deteksi yang telah dirancang, sehingga menghasilkan persentase akurasi keseluruhan dari ke-4 fold program yang dapat dijadikan indikator tingkat keberhasilan program. Secara lengkap presentase akurasi keseluruhan ditunjukan pada tabel 4.7. Tabel 4.7 Hasil Pengujian Persentase Akurasi Ekstraksi Ciri Hasil Persentase Akurasi % fold-1 fold-2 fold-3 fold-4 Rerata Mean, Standar Deviasi, Energy & Entropy 96.67% 100% 93.33% 96.67% 96.67% Secara keseluruhan dapat disimpulkan pengujian pada 120 citra uji yang terbagi atas 4-fold cross validation terdapat 4 citra dengan kesalahan klasifikasi atau dinyatakan sebagai error. Kesimpulan yang didapat pada Tabel 4.7 hasil klasifikasi dan validasi 4-fold menghasil akurasi yang beragam, pada fold-1 citra uji dapat diproses dan menghasilkan akurasi tepat mencapai 96.67%, pada fold-2 hasil uji dapat diproses dengan baik oleh sistem dan menghasilkan akurasi tepat mencapai 100%. Sedangkan pada pada fold-3 akurasi mencapai 93.33% dan pada fold-4 menghasilkan akurasi sebesar 96.67% dan dihasilkan rerata akurasi pada ke-4 fold sebesar 96.67%.